新能源与高效节能

本发明公开了一种全新的考虑大气动力系统中非线性扰动效应的风电场功率预测方法。在常规功率预测研究方法的基础上，通过消除原始风速中存在的某些非线性扰动因素的影响，达到优化预测模型输入量的目的。由此，本发明提出一种大气扰动变量并定义功率预测扰动公式，并借助不同的数值预测模型和实际风电场数据进行实例验证，最终实现更加精确的功率预测结果。

现有的风电预测模型按照建模方法的不同可分为物理模型、统计模型、人工智能和混合模型。物理模型是利用一些物理变量和地理因素提高数值天气预报的分辨率，适用于长期风速预测。统计模型是基于大量历史数据建立模型输入与输出间的关系，一般包括持续法模型、时间序列模型、卡尔曼滤波模型等。人工智能是目前被广泛应用的风能预测技术，通常包括小波神经网络、BP神经网络、RBF神经网络、支持向量机、模糊逻辑等方法。由于单一的预测模型都存在不同程度的局限性，近年来多种预测方法的组合模型越来越多的被提出和应用。现有的风电预测技术绝大部分是依靠改进各种数值算法来提高预测精度，目前还没有任何一种预测方法考虑到大气系统的非线性特征对功率预测结果的影响作用。本发明充分考虑大气动力系统中非线性因素对功率预测的影响，引入大气非线性Lorenz系统作为扰动模型，消除大气系统中非线性因素对功率输出的影响，实现了更加精确的功率预测。

本研究的所有实验结果均有力的说明引入大气非线性扰动变量能够实现更加精确的功率预测，在风能预测研究领域引入大气非线性扰动模型是可行的并且具有非常重要的理论研究价值和实践指导意义。